Pengenalan Karakter Optik (OCR) mengubah gambar teks—pindaian, foto ponsel cerdas, PDF—menjadi string yang dapat dibaca mesin dan, semakin, data terstruktur. OCR modern adalah alur kerja yang membersihkan gambar, menemukan teks, membacanya, dan mengekspor metadata yang kaya sehingga sistem hilir dapat mencari, mengindeks, atau mengekstrak bidang. Dua standar output yang banyak digunakan adalah hOCR, sebuah format mikro HTML untuk teks dan tata letak, dan ALTO XML, sebuah skema berorientasi perpustakaan/arsip; keduanya mempertahankan posisi, urutan baca, dan isyarat tata letak lainnya dan didukung oleh mesin populer seperti Tesseract.
Pra-pemrosesan. Kualitas OCR dimulai dengan pembersihan gambar: konversi skala abu-abu, penghilangan noise, thresholding (binerisasi), dan deskewing. Tutorial OpenCV kanonik mencakup global, adaptif dan Otsu thresholding—pokok untuk dokumen dengan pencahayaan tidak seragam atau histogram bimodal. Ketika iluminasi bervariasi dalam satu halaman (pikirkan jepretan telepon), metode adaptif seringkali mengungguli ambang batas global tunggal; Otsu secara otomatis memilih ambang batas dengan menganalisis histogram. Koreksi kemiringan sama pentingnya: deskewing berbasis Hough (Transformasi Garis Hough) yang dipasangkan dengan binerisasi Otsu adalah resep umum dan efektif dalam alur kerja pra-pemrosesan produksi.
Deteksi vs. pengenalan. OCR biasanya dibagi menjadi deteksi teks (di mana teksnya ?) dan pengenalan teks (apa isinya?). Dalam pemandangan alam dan banyak pindaian, detektor konvolusional sepenuhnya seperti EAST secara efisien memprediksi kuadrilateral tingkat kata atau baris tanpa tahap proposal yang berat dan diimplementasikan dalam toolkit umum (misalnya, tutorial deteksi teks OpenCV). Pada halaman yang kompleks (koran, formulir, buku), segmentasi baris/wilayah dan inferensi urutan baca penting:Kraken mengimplementasikan segmentasi zona/garis tradisional dan segmentasi baseline saraf, dengan dukungan eksplisit untuk berbagai skrip dan arah (LTR/RTL/vertikal).
Model pengenalan. Kuda beban open-source klasik Tesseract (sumber terbuka oleh Google, dengan akar di HP) berevolusi dari pengklasifikasi karakter menjadi pengenal urutan berbasis LSTM dan dapat menghasilkan PDF yang dapat dicari, output ramah hOCR/ALTO, dan lainnya dari CLI. Pengenal modern mengandalkan pemodelan urutan tanpa karakter yang telah disegmentasi sebelumnya. Klasifikasi Temporal Connectionist (CTC) tetap menjadi dasar, mempelajari penyelarasan antara urutan fitur input dan string label output; ini banyak digunakan dalam alur kerja tulisan tangan dan teks pemandangan.
Dalam beberapa tahun terakhir, Transformer telah membentuk kembali OCR. TrOCR menggunakan encoder Vision Transformer plus decoder Text Transformer, dilatih pada korpora sintetis besar kemudian disesuaikan dengan data nyata, dengan kinerja yang kuat di seluruh tolok ukur cetak, tulisan tangan, dan teks pemandangan (lihat juga Dokumentasi Hugging Face). Secara paralel, beberapa sistem menghindari OCR untuk pemahaman hilir: Donut (Document Understanding Transformer) adalah encoder-decoder bebas OCR yang secara langsung menghasilkan jawaban terstruktur (seperti JSON kunci-nilai) dari dokumen gambar (repo, kartu model), menghindari akumulasi kesalahan saat langkah OCR terpisah memberi makan sistem IE.
Jika Anda ingin membaca teks yang disertakan dengan baterai di banyak skrip, EasyOCR menawarkan API sederhana dengan 80+ model bahasa, mengembalikan kotak, teks, dan kepercayaan—berguna untuk prototipe dan skrip non-Latin. Untuk dokumen bersejarah, Kraken bersinar dengan segmentasi baseline dan urutan baca yang sadar skrip; untuk pelatihan tingkat baris yang fleksibel, Calamari membangun di atas garis keturunan Ocropy (Ocropy) dengan pengenal (multi-)LSTM+CTC dan CLI untuk menyempurnakan model kustom.
Generalisasi bergantung pada data. Untuk tulisan tangan, Database Tulisan Tangan IAM menyediakan kalimat bahasa Inggris yang beragam penulis untuk pelatihan dan evaluasi; ini adalah set referensi yang sudah lama ada untuk pengenalan baris dan kata. Untuk teks pemandangan, COCO-Text melapisi anotasi ekstensif di atas MS-COCO, dengan label untuk cetak/tulisan tangan, terbaca/tidak terbaca, skrip, dan transkripsi penuh (lihat juga halaman proyek asli). Bidang ini juga sangat bergantung pada pra-pelatihan sintetis: SynthText in the Wild merender teks ke dalam foto dengan geometri dan pencahayaan yang realistis, menyediakan volume data yang sangat besar untuk pra-pelatihan detektor dan pengenal (referensi kode & data).
Kompetisi di bawah payung Robust Reading ICDAR menjaga evaluasi tetap membumi. Tugas-tugas terbaru menekankan deteksi/pembacaan ujung-ke-ujung dan mencakup menghubungkan kata-kata menjadi frasa, dengan pelaporan kode resmi presisi/perolehan kembali/F-score, persimpangan-atas-gabungan (IoU), dan metrik jarak edit tingkat karakter—mencerminkan apa yang harus dilacak oleh para praktisi.
OCR jarang berakhir pada teks biasa. Arsip dan perpustakaan digital lebih suka ALTO XML karena mengkodekan tata letak fisik (blok/baris/kata dengan koordinat) di samping konten, dan itu berpasangan dengan baik dengan kemasan METS. hOCR mikroformat, sebaliknya, menyematkan ide yang sama ke dalam HTML/CSS menggunakan kelas seperti ocr_line dan ocrx_word, membuatnya mudah untuk ditampilkan, diedit, dan diubah dengan perkakas web. Tesseract mengekspos keduanya—misalnya, menghasilkan hOCR atau PDF yang dapat dicari langsung dari CLI (panduan output PDF); Pembungkus Python seperti pytesseract menambahkan kenyamanan. Konverter ada untuk menerjemahkan antara hOCR dan ALTO ketika repositori memiliki standar penyerapan tetap —lihat daftar yang dikurasi ini dari alat format file OCR.
Tren terkuat adalah konvergensi: deteksi, pengenalan, pemodelan bahasa, dan bahkan decoding khusus tugas sedang bergabung menjadi tumpukan Transformer terpadu. Pra-pelatihan pada korpora sintetis besar tetap menjadi pengganda kekuatan. Model bebas OCR akan bersaing secara agresif di mana pun targetnya adalah output terstruktur daripada transkrip verbatim. Harapkan juga penerapan hibrida: detektor ringan plus pengenal gaya TrOCR untuk teks bentuk panjang, dan model gaya Donat untuk formulir dan tanda terima.
Tesseract (GitHub) · Dokumentasi Tesseract · Spesifikasi hOCR · Latar belakang ALTO · Detektor EAST · Deteksi Teks OpenCV · TrOCR · Donut · COCO-Text · SynthText · Kraken · Calamari OCR · ICDAR RRC · pytesseract · Tulisan Tangan IAM · Alat format file OCR · EasyOCR
Optical Character Recognition (OCR) adalah teknologi yang digunakan untuk mengubah berbagai jenis dokumen, seperti dokumen kertas yang telah dipindai, file PDF, atau gambar yang ditangkap oleh kamera digital, menjadi data yang dapat diedit dan dicari.
OCR bekerja dengan memindai gambar atau dokumen input, membagi gambar menjadi karakter individu, dan membandingkan setiap karakter dengan database bentuk karakter menggunakan pengenalan pola atau pengenalan fitur.
OCR digunakan dalam berbagai sektor dan aplikasi, termasuk mendigitalkan dokumen yang dicetak, mengaktifkan layanan teks-ke-suara, mengotomatisasi proses entri data, dan membantu pengguna dengan gangguan penglihatan untuk berinteraksi lebih baik dengan teks.
Meskipun telah ada kemajuan besar dalam teknologi OCR, tetapi itu tidak sempurna. Akurasi dapat bervariasi tergantung pada kualitas dokumen asli dan spesifik dari software OCR yang digunakan.
Meskipun OCR sebagian besar dirancang untuk teks cetak, beberapa sistem OCR lanjutan juga mampu mengenali tulisan tangan yang jelas dan konsisten. Namun, biasanya pengenalan tulisan tangan kurang akurat karena variasi besar dalam gaya tulisan individu.
Ya, banyak sistem software OCR dapat mengenali beberapa bahasa. Namun, penting untuk memastikan bahwa bahasa spesifik tersebut didukung oleh software yang Anda gunakan.
OCR berarti Optical Character Recognition dan digunakan untuk mengenali teks cetak, sedangkan ICR, atau Intelligent Character Recognition, lebih canggih dan digunakan untuk mengenali teks tulisan tangan.
OCR bekerja terbaik dengan font yang jelas, mudah dibaca dan ukuran teks standar. Meski bisa bekerja dengan berbagai font dan ukuran, akurasi cenderung menurun ketika berhadapan dengan font yang tidak biasa atau ukuran teks sangat kecil.
OCR bisa kesulitan dengan dokumen beresolusi rendah, font yang rumit, teks yang dicetak buruk, tulisan tangan, dan dokumen dengan latar belakang yang mengganggu teks. Juga, meskipun dapat bekerja dengan banyak bahasa, mungkin tidak mencakup setiap bahasa secara sempurna.
Ya, OCR dapat memindai teks berwarna dan latar belakang berwarna, meskipun umumnya lebih efektif dengan kombinasi warna kontras tinggi, seperti teks hitam pada latar belakang putih. Akurasi mungkin berkurang ketika warna teks dan latar belakang tidak memiliki kontras yang cukup.
PDF/A adalah versi Portable Document Format (PDF) yang distandarisasi ISO yang dikhususkan untuk pelestarian digital dokumen elektronik. PDF/A berbeda dari PDF dengan melarang fitur yang tidak sesuai untuk pengarsipan jangka panjang, seperti penautan font (berlawanan dengan penyematan font) dan enkripsi. Persyaratan ISO untuk penampil file PDF/A mencakup panduan manajemen warna, dukungan untuk font yang disematkan, dan antarmuka pengguna untuk membaca anotasi yang disematkan.
Standar PDF/A bukan format tunggal tetapi serangkaian standar di bawah payung PDF/A, masing-masing melayani kebutuhan spesifik dan memenuhi persyaratan pengarsipan tertentu. Standar yang paling umum digunakan adalah PDF/A-1, PDF/A-2, dan PDF/A-3. PDF/A-1 didasarkan pada PDF 1.4 dan merupakan standar pertama yang diterbitkan; PDF/A-2 didasarkan pada PDF 1.7 dan memungkinkan media dan fungsionalitas yang lebih kaya; dan PDF/A-3, yang juga bergantung pada PDF 1.7, mengizinkan penyematan file non-PDF/A.
Dalam konteks PDF/A, istilah 'tingkat kesesuaian' mengacu pada sejauh mana dokumen PDF/A mematuhi persyaratan spesifik standar. Ada dua tingkat kesesuaian: 'a' (dapat diakses) dan 'b' (dasar). Kepatuhan level 'a' menunjukkan bahwa dokumen tidak hanya diawetkan secara visual tetapi juga berisi struktur dan penandaan tambahan untuk aksesibilitas, seperti untuk pembaca layar yang digunakan oleh individu tunanetra. Kepatuhan level 'b' memastikan bahwa tampilan visual dipertahankan, tetapi tidak mengharuskan dokumen dapat diakses.
Salah satu fitur utama PDF/A adalah penggunaan font yang disematkan. Ini memastikan bahwa dokumen dapat ditampilkan dan dicetak di masa mendatang persis seperti yang dimaksudkan, terlepas dari apakah font asli tersedia di sistem tampilan. Menyematkan font meningkatkan ukuran file tetapi memberikan cara yang lebih andal untuk mempertahankan tampilan asli dokumen. PDF/A juga mengamanatkan bahwa informasi warna disimpan dengan cara yang tidak bergantung pada perangkat, yang berarti bahwa warna dalam dokumen akan tampak sama terlepas dari perangkat yang digunakan untuk melihat atau mencetak dokumen.
PDF/A juga melarang penggunaan fitur tertentu yang tidak kondusif untuk pengarsipan jangka panjang. Ini termasuk enkripsi, konten audio dan video, peluncuran file JavaScript dan yang dapat dieksekusi, dan transparansi. Penggunaan fitur-fitur ini berpotensi membuat dokumen tidak dapat dibaca di masa mendatang karena teknologi berkembang dan fungsi tertentu menjadi usang atau tidak lagi didukung.
Membuat dokumen PDF/A biasanya melibatkan pengubahan dokumen dari format aslinya (seperti Word atau Excel) ke format PDF/A menggunakan alat pembuatan PDF. Alat ini harus mampu menyematkan semua komponen yang diperlukan (seperti font dan profil warna) dan menghapus fitur apa pun yang tidak diizinkan menurut standar PDF/A. Penting juga untuk memvalidasi dokumen PDF/A yang dihasilkan untuk memastikan bahwa dokumen tersebut memenuhi persyaratan standar. Validasi dapat dilakukan menggunakan perangkat lunak khusus yang memeriksa dokumen terhadap spesifikasi PDF/A.
Pelestarian metadata adalah aspek penting lainnya dari standar PDF/A. Metadata dalam dokumen PDF/A mencakup informasi tentang dokumen itu sendiri, seperti judul, penulis, subjek, dan kata kunci. Metadata ini disimpan dalam format XMP (eXtensible Metadata Platform), yang merupakan standar ISO untuk pembuatan, pemrosesan, dan pertukaran metadata standar dan khusus untuk dokumen digital dan kumpulan data. XMP dirancang untuk memungkinkan integrasi dan pertukaran metadata yang mudah di berbagai aplikasi dan platform.
PDF/A banyak digunakan di industri dan organisasi di mana pelestarian dokumen sangat penting. Ini termasuk lembaga pemerintah, sistem hukum, perpustakaan, dan arsip. Penggunaan PDF/A membantu memastikan bahwa dokumen akan tetap dapat dibaca dan otentik selama bertahun-tahun, yang penting untuk memenuhi persyaratan hukum dan untuk menjaga integritas dokumen sejarah dan penting. Format ini juga bermanfaat bagi individu dan bisnis yang ingin mengarsipkan dokumen untuk penyimpanan jangka panjang tanpa risiko kehilangan akses ke konten karena keusangan teknologi.
Proses pengarsipan dokumen dalam format PDF/A dapat menjadi bagian dari strategi manajemen dokumen yang lebih besar. Strategi ini mungkin melibatkan penggunaan sistem manajemen dokumen (DMS) yang mendukung standar PDF/A dan dapat menangani konversi, validasi, dan pelestarian dokumen. Sistem ini sering kali menyertakan fitur seperti kontrol versi, kontrol akses, dan jejak audit, yang memberikan lapisan keamanan dan keterlacakan tambahan untuk dokumen yang diarsipkan.
Meskipun PDF/A dirancang untuk pelestarian jangka panjang, PDF/A tidak kebal terhadap tantangan pelestarian digital. Salah satu tantangan tersebut adalah perlunya pengelolaan dan migrasi arsip digital yang berkelanjutan. Seiring perubahan teknologi, mungkin perlu untuk memigrasikan dokumen PDF/A ke versi standar yang lebih baru atau ke format lain untuk menjaga aksesibilitas dan keterbacaan. Ini memerlukan perencanaan dan pelaksanaan yang cermat untuk memastikan bahwa dokumen tidak kehilangan integritas atau keasliannya selama proses migrasi.
Pertimbangan lain saat menggunakan PDF/A adalah perlunya kontrol kualitas selama proses pembuatan. Karena dokumen PDF/A dimaksudkan untuk menjadi representasi konten asli yang benar dan akurat, penting untuk memastikan bahwa proses konversi tidak menimbulkan kesalahan atau kelalaian. Ini dapat melibatkan pemeriksaan kelengkapan dokumen, keakuratan teks dan gambar, dan penyematan font dan profil warna yang benar. Kontrol kualitas sangat penting untuk dokumen yang berisi informasi penting atau yang perlu memenuhi standar peraturan yang ketat.
Standar PDF/A terus berkembang seiring munculnya kebutuhan dan teknologi baru. Asosiasi PDF, sebuah konsorsium internasional perusahaan dan organisasi yang mempromosikan adopsi teknologi PDF, secara aktif mengerjakan pengembangan standar PDF, termasuk PDF/A. Mereka menyediakan sumber daya dan panduan untuk mengimplementasikan PDF/A dan berkontribusi pada pengembangan standar yang sedang berlangsung untuk memenuhi persyaratan yang muncul dan untuk memastikan bahwa standar tersebut tetap relevan untuk pelestarian digital jangka panjang.
Kesimpulannya, PDF/A adalah format yang kuat yang dirancang untuk pelestarian jangka panjang dokumen elektronik. Fokusnya pada penyematan semua konten yang diperlukan, melarang fitur tertentu, dan memastikan representasi warna yang tidak bergantung pada perangkat menjadikannya pilihan ideal untuk mengarsipkan dokumen penting. Meskipun merupakan format yang andal, format ini memerlukan implementasi yang cermat dan pengelolaan yang berkelanjutan untuk memastikan bahwa dokumen tetap dapat diakses dan otentik dari waktu ke waktu. Seiring teknologi terus berkembang, standar PDF/A juga akan berkembang, memastikan bahwa standar tersebut tetap menjadi alat utama di bidang pelestarian digital.
Konverter ini berjalan sepenuhnya di browser Anda. Saat Anda memilih file, file tersebut dibaca ke dalam memori dan dikonversi ke format yang dipilih. Anda kemudian dapat mengunduh file yang telah dikonversi.
Konversi dimulai secara instan, dan sebagian besar file dikonversi dalam waktu kurang dari satu detik. File yang lebih besar mungkin membutuhkan waktu lebih lama.
File Anda tidak pernah diunggah ke server kami. File tersebut dikonversi di browser Anda, dan file yang telah dikonversi kemudian diunduh. Kami tidak pernah melihat file Anda.
Kami mendukung konversi antara semua format gambar, termasuk JPEG, PNG, GIF, WebP, SVG, BMP, TIFF, dan banyak lagi.
Konverter ini sepenuhnya gratis, dan akan selalu gratis. Karena berjalan di browser Anda, kami tidak perlu membayar server, jadi kami tidak perlu menagih Anda.
Ya! Anda dapat mengonversi file sebanyak yang Anda inginkan sekaligus. Cukup pilih beberapa file saat Anda menambahkannya.